10 сентября OpenAI представила GPT-Live-1, голосовую модель, которая может слушать и говорить одновременно. В Neuro.net решили подробнее разобрать, что стоит за этим анонсом и почему речь идёт не просто об очередном обновлении голосовых моделей. Для рынка Voice AI гораздо интереснее другое: похоже, постепенно меняется привычная механика общения человека с голосовым AI.
Схема, к которой мы привыкли, довольно проста: человек говорит, система дожидается конца реплики, обрабатывает её и начинает отвечать. Теперь разработчики пытаются приблизить этот процесс к обычному разговору, где собеседники могут перебивать друг друга, делать паузы и уточнять мысль прямо на ходу.
Почему разговор с AI всё ещё ощущается немного искусственным
В обычном разговоре нет чёткой границы между репликами. Мы замолкаем на пару секунд, пока вспоминаем слово, говорим «угу», перебиваем собеседника или внезапно меняем формулировку. Голосовой системе приходится каждый раз угадывать, что происходит. Человек закончил говорить или просто задумался? Уже можно отвечать или лучше подождать ещё немного?
Если система начинает реплику слишком рано, она перебивает клиента. Если слишком долго ждёт, появляется та самая пауза, по которой сразу понятно, что разговариваешь с машиной. Причём качество распознавания речи здесь может быть отличным, а голос почти не отличаться от человеческого. Всё равно остаётся ощущение, что говорить приходится по определённым правилам: закончил фразу, остановился, дождался ответа.
Что такое full-duplex
Full-duplex, или полный дуплекс, позволяет системе продолжать слушать человека даже тогда, когда она сама говорит. Проще всего сравнить это с обычным телефонным разговором. Оба собеседника всё время слышат друг друга и могут начать говорить одновременно.
Для голосового AI такая возможность заметно меняет диалог. Представим простой пример. Агент говорит:
— Мы можем привезти заказ во вторник с десяти до…
Клиент перебивает:
— Нет, вторник мне точно не подходит.
Система должна сразу понять, что продолжать перечислять варианты на вторник бессмысленно. В более привычной последовательной схеме приходится сначала остановить текущую реплику, отдельно обработать слова клиента, понять его намерение и только после этого перестроить разговор. При полном дуплексе перебивание из особого случая превращается в обычную часть беседы. Примерно так же, как это происходит между людьми.
Пауза тоже имеет значение
С перебиваниями всё более-менее понятно. Гораздо интереснее паузы. Представим, что человеку задали вопрос, а он несколько секунд молчит. Возможно, он ищет документ. Возможно, вспоминает дату. А может быть, просто решает, какой вариант выбрать.
Если воспринимать любую тишину как конец реплики, система будет постоянно торопить собеседника. Поэтому скорость ответа сама по себе мало что решает. Для естественного разговора нужно ещё правильно выбрать момент, когда стоит начать говорить. Иногда ответ действительно нужен сразу. Иногда лучше дать человеку две-три секунды подумать.
Означает ли это конец ASR и TTS
Скорее нет. Появление новых голосовых моделей легко представить как замену привычной цепочки: распознавание речи, языковая модель, синтез речи. Но в реальных системах всё может быть устроено сложнее.
Голосовая модель способна отвечать за сам разговор, а отдельные компоненты заниматься поиском данных, работой с базой знаний, обращением к внутренним сервисам компании или выполнением действий.
Поэтому спор о том, должна ли внутри работать одна модель или несколько, для пользователя не так уж важен. Если человек может говорить привычным способом и не замечает, сколько систем участвует в обработке его запроса, значит, архитектура справляется со своей задачей.
Где full-duplex действительно полезен
Конечно, непрерывный разговор нужен далеко не в каждом сценарии. Если голосовой агент просто напоминает время записи или сообщает статус заказа, обычного последовательного диалога зачастую достаточно.
Другое дело — входящая линия поддержки. Здесь клиент редко произносит заранее подготовленную команду. Он начинает рассказывать о проблеме, вспоминает ещё одну деталь, задаёт уточняющий вопрос, возвращается к предыдущей мысли. Чем свободнее такой разговор, тем заметнее роль пауз, перебиваний и быстрой смены контекста. Поэтому качество Voice AI всё меньше определяется только тем, насколько естественно звучит голос. Важнее становится то, как система ведёт себя в самом разговоре: слышит ли человека до конца, умеет ли вовремя остановиться и понимает ли, что собеседник поменял мысль.
Что это меняет для контакт-центров
Для контакт-центра полный дуплекс интересен прежде всего тем, что позволяет работать с более сложными разговорами. Если голосовой AI лучше справляется с перебиваниями, паузами и изменением намерения по ходу разговора, становится проще автоматизировать длинные и нелинейные обращения. Особенно на входящей линии, где клиент сам определяет, куда пойдёт разговор.
При этом способность свободно разговаривать ещё не гарантирует, что задача клиента будет решена правильно. Система может прекрасно поддерживать беседу, но ошибиться в условиях продукта или неправильно выполнить действие. Поэтому за голосовой частью по-прежнему остаются бизнес-правила, интеграции, контроль операций и возможность подключить сотрудника.
Именно поэтому развитие full-duplex интересно рассматривать не как ещё одну технологическую характеристику. Скорее, это следующий шаг к ситуации, когда человеку больше не приходится помнить правила общения с машиной.
Мы постепенно переходим к обратной модели: уже система подстраивается под то, как человек привык разговаривать.
